BMAM: Framework di Memoria Multi-Agente Ispirato al Cervello
BMAM: Brain-inspired Multi-Agent Memory Framework
January 28, 2026
Autori: Yang Li, Jiaxiang Liu, Yusong Wang, Yujie Wu, Mingkun Xu
cs.AI
Abstract
Gli agenti basati su modelli linguistici che operano su orizzonti interattivi prolungati affrontano sfide persistenti nel preservare informazioni temporalmente fondate e nel mantenere coerenza comportamentale tra le sessioni, un fallimento che definiamo erosione dell'anima. Presentiamo BMAM (Brain-inspired Multi-Agent Memory), un'architettura di memoria versatile che modella la memoria dell'agente come un insieme di sottosistemi funzionalmente specializzati piuttosto che come un singolo spazio non strutturato. Ispirandosi ai sistemi di memoria cognitiva, BMAM scompone la memoria in componenti episodiche, semantiche, attente alla salienza e orientate al controllo, che operano su scale temporali complementari. Per supportare il ragionamento a lungo termine, BMAM organizza i ricordi episodici lungo linee temporali esplicite e recupera le evidenze fondendo segnali multipli e complementari. Esperimenti sul benchmark LoCoMo dimostrano che BMAM raggiunge un'accuratezza del 78,45% nella valutazione standard a lungo termine, e le analisi di ablazione confermano che il sottosistema di memoria episodica ispirato all'ippocampo svolge un ruolo critico nel ragionamento temporale.
English
Language-model-based agents operating over extended interaction horizons face persistent challenges in preserving temporally grounded information and maintaining behavioral consistency across sessions, a failure mode we term soul erosion. We present BMAM (Brain-inspired Multi-Agent Memory), a general-purpose memory architecture that models agent memory as a set of functionally specialized subsystems rather than a single unstructured store. Inspired by cognitive memory systems, BMAM decomposes memory into episodic, semantic, salience-aware, and control-oriented components that operate at complementary time scales. To support long-horizon reasoning, BMAM organizes episodic memories along explicit timelines and retrieves evidence by fusing multiple complementary signals. Experiments on the LoCoMo benchmark show that BMAM achieves 78.45 percent accuracy under the standard long-horizon evaluation setting, and ablation analyses confirm that the hippocampus-inspired episodic memory subsystem plays a critical role in temporal reasoning.